数字人民币生物支付方法、系统、终端设备及存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本发明属于数字人民币支付技术领域，涉及一种数字人民币生物支付方法、系统、终端设备及存储介质。背景技术：2.数字人民币与纸钞硬币等价，将与实物人民币长期并存，用于满足公众对数字形态现金的需求，有助力普惠金融。目前的数字人民币支付方式还比较单一，在便利性方面还有待改进，应用范围还有待进一步扩展。生物特征识别是一种采用人类自身固有的生理或行为特征进行身份认证的技术，具有安全、稳定、便利的特点，目前常见的生物特征识别技术已经应用于支付行业，如指纹识别和人脸识别等。因此可以将生物特征识别技术引入数字人民币中，将用户的生物特征信息与数字人民币账户绑定，为用户提供一种安全、便利的数字人民币支付方法。3.然而由于数字人民币的特点，人们可能在不同的支付设备和环境中使用数字人民币支付，从而导致采集到的生物特征数据间存在较大的领域差异，现有的做法是直接将这些数据作为统一的数据对识别系统进行训练，但是不同的数据之间存在较大的领域差异，这样的做法会给系统带来负迁移的影响。并且由于支付设备和环境具有较大的变化范围，很难提前获知用户使用数字人民币时的情况，因此需要识别系统对不同的支付设备和环境具有较强的泛化能力。另外，由于具备多种设备和环境下采集的生物特征数据，目前的算法也很难确定选择哪一种设备和环境下的生物特征作为识别时的注册特征。技术实现要素：4.本发明的目的在于解决现有技术中的问题，提供一种数字人民币生物支付方法、系统、终端设备及存储介质，能够提高数字人民币的使用范围和支付的安全性和便利性。5.为达到上述目的，本发明采用以下技术方案予以实现：6.数字人民币生物支付方法，其特征在于，包括：7.采集用户的个人生物特征，并对用户的个人生物特征进行特征转换，获取用户的生物特征信息；8.比对用户的生物特征信息是否与数据库中生物特征信息相同；若不相同，执行注册程序；若相同，完成付款；9.更新数据库中用户注册的生物特征信息。10.本发明的进一步改进在于：11.注册程序具体为：采集用户的个人生物特征，并对用户的个人生物特征进行特征提取，获取用户的生物特征信息；基于用户的生物特征信息与数字人民币账户进行绑定，完成用户注册，并将用户的生物特征信息存储至数据库中。12.个人生物特征包括：人脸特征、指纹特征、语音特征、虹膜特征、掌纹特征、掌静脉特征与指静脉特征；13.同一数字人民币账户允许绑定多个用户，同时同一数字人民币账户绑定的不同用户设置不同的权限，所述不同的权限对应不同的支付区域、支付时间或支付金额信息；14.更新数据库中用户注册的生物特征信息，具体为：将比对成功的生物特征信息与数据库中注册的生物特征信息平均化，作为最新的注册生物特征信息；15.比对用户的生物特征信息是否与数据库中生物特征信息相同，具体为：16.计算用户的生物特征信息与数据库中所有注册账户的生物特征信息之间的相似度，并将其中和该用户生物特征信息相似度最大的注册账户作为待确认账户；17.比较该相似度与相似度阈值的关系，判断是否比对成功；如果该用户的生物特征信息与待确认账户生物特征信息的相似度大于相似度阈值，证明比对成功，然后从该账户中扣款，完成支付，否则认为比对失败，从而支付失败；18.所述相似度阈值为人为设定。19.采集用户的个人生物特征，并对用户的个人生物特征进行特征转换，获取用户的生物特征信息，具体为：采用采集工具获取用户的个人生物特征，并基于识别模型将用户的个人生物特征转换为特征向量，作为用户的生物特征信息。20.识别模型，具体为：21.采用若干种采集设备采集用户的生物特征数据；22.随机将一个特征提取器作为目标特征提取器，剩余的特征提取器作为源特征提取器；23.将用户的生物特征数据划分为元查询集和元支撑集，将元查询集输入至目标特征提取器进行特征转换，得到查询中间特征向量，将元支撑集中的每个生物特征数据输入至所有的源特征提取器中进行特征转换，得到支撑中间特征向量；24.将源特征提取器提取的支撑中间特征向量输入特征融合器中，得到特征向量；25.基于查询中间特征向量、支撑中间特征向量和特征向量，构建模型损失函数；26.对模型损失函数进行迭代训练，得到最优化的识别模型。27.基于查询中间特征向量、支撑中间特征向量和特征向量，构建损失函数，具体为：28.模型损失函数包括：监督损失函数、去相关损失函数和相关损失函数；29.监督损失函数，表达式为：[0030][0031]其中，||fk(xa)-fk(xb)||为生物特征数据样本xa和xb间的距离；fk(·)表示第k个特征提取器，并假设f1(·)为目标特征提取器，其他为源特征提取器，fk(xa)和fk(xb)分别为fk(·)提取的样本xa和xb的查询中间特征向量或支撑中间特征向量，t为阈值，sab表示生物特征数据样本xa和xb的类别关系，当它们属于同一个类别时，sab＝0，否则sab＝1；[0032]去相关损失函数由源特征提取器提取的支撑中间特征向量计算得到，表达式为：[0033][0034]其中，n表示支撑集中生物特征数据样本的数量，xn表示支撑集中一个生物特征数据样本，k表示所有特征提取器的数量，⊙表示元素积；fk(xn)和fj(xn)分别表示第k个和第j个源特征提取器提取的样本xn的支撑中间特征向量，；[0035]所述相关损失函数，表达式为：[0036][0037]其中，lbce(·)表示二元交叉熵损失函数，r(·)是关系度量函数，表示为[0038][0039]其中，v+表示一批数据中与v距离最远的同类特征向量，v-表示一批数据中与v距离最近的异类特征向量；vn表示支撑中间特征向量经过特征融合器融合的特征向量，表示为：[0040]vn＝ffusion(f2(xn),f3(xn),...,fk(xn))ꢀꢀꢀ(5)[0041]其中ffusion(·)表示特征融合器；[0042]所述模型损失函数为：[0043]l＝l1+l2+l3ꢀꢀꢀ(6)。[0044]数字人民币生物支付系统，包括：[0045]特征转换模块，所述特征转换模块用于采集用户的个人生物特征，并对用户的个人生物特征进行特征转换，获取用户的生物特征信息；[0046]比对模块，所述比对模块用于比对用户的生物特征信息是否与数据库中生物特征信息相同；若不相同，执行注册程序；若相同，完成付款；[0047]更新模块，所述更新模块用于更新数据库中用户注册的生物特征信息。[0048]特征转换模块，包括：[0049]采集模块，所述采集模块基于若干种采集设备采集用户的生物特征数据；[0050]区分模块，所述区分模块随机将一个特征提取器作为目标特征提取器，剩余的特征提取器作为源特征提取器；[0051]第一获取模块，所述第一获取模块用于将用户的生物特征数据划分为元查询集和元支撑集，将元查询集输入至目标特征提取器进行特征转换，得到查询中间特征向量，将元支撑集中的每个生物特征数据输入所有的源特征提取器中进行特征转换，得到支撑中间特征向量；[0052]第二获取模块，所述第二获取模块用于将源特征提取器提取的支撑中间特征向量输入特征融合器中，得到特征向量；[0053]构建模块，所述构建模块基于查询中间特征向量、支撑中间特征向量和特征向量，构建模型损失函数；[0054]迭代模块，所述迭代模块用于对模型损失函数进行迭代训练，得到最优化的识别模型。[0055]一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。[0056]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。[0057]与现有技术相比，本发明具有以下有益效果：[0058]本发明将生物特征识别技术与数字人民币相结合，直接将数字人民币账户与用户的生物特征信息绑定，在支付时直接通过判断是否为正确的生物特征信息来决定是否进行付款，能够提高数字人民币支付时的用户体验、安全性、便利性和可靠性。[0059]进一步的，本发明针对数字人民币的应用特点，基于有效的损失函数对生物特征识别模型进行训练，提高其对不同支付设备和环境的泛化能力，同时将采集自多种设备和环境的生物特征数据融合为一个有效的注册生物特征信息，在使用时直接将待识别的生物特征信息与其匹配，因此本发明能够提高生物特征信息匹配的效率，从而提高整个支付系统的稳定性和应用范围。附图说明[0060]为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。[0061]图1为本发明数字人民币生物支付方法示意图；[0062]图2为本发明的识别模型示意图；[0063]图3为本发明的数字人民币生物支付系统结构图；[0064]图4为本发明的识别模型的结构图。具体实施方式[0065]为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。[0066]因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0067]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。[0068]在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。[0069]此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。[0070]在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。[0071]下面结合附图对本发明做进一步详细描述：[0072]参见图1，本发明公开一种数字人民币生物支付方法，包括：[0073]s101，采集用户的个人生物特征，并对用户的个人生物特征进行特征转换，获取用户的生物特征信息；[0074]具体为：采用采集工具获取用户的个人生物特征，并基于识别模型将用户的个人生物特征转换为特征向量，作为用户的生物特征信息；[0075]个人生物特征包括：人脸特征、指纹特征、语音特征、虹膜特征、掌纹特征、掌静脉特征与指静脉特征等；[0076]在采集个人生物特征时，当可以采用个人设备进行采集时，比如采集人脸特征和掌纹特征等，用户可以选择在家采用普通设备进行采集，如个人智能手机等带摄像头的设备；当需要采用特定设备来采集个人生物特征时，用户需要到数字人民币定点单位采用专用设备进行采集，比如采集指静脉特征、虹膜特征等；采集到的生物特征数据主要以图像的形式呈现，如人脸图像、掌纹图像、掌静脉图像、指静脉图像等，也可以是时域数据等其他数据形式；采集到的生物特征也可以是2d或3d图像；[0077]同一数字人民币账户允许绑定多个用户，如不同的家庭成员等，同时同一数字人民币账户绑定的不同用户可以设置不同的权限，不同的权限对应不同的支付区域、支付时间或支付金额等信息，比如可以将某个家庭成员的账户权限设置为仅能在特定的区域和特定的时间内支付特定的金额。[0078]参见图2，识别模型，具体为：[0079]采用若干种采集设备采集用户的生物特征数据；[0080]随机将一个特征提取器作为目标特征提取器，剩余的特征提取器作为源特征提取器；[0081]将用户的生物特征数据划分为元查询集和元支撑集，将元查询集输入至目标特征提取器进行特征转换，得到查询中间特征向量，将元支撑集中的每个生物特征数据输入至每个源特征提取器中进行特征转换，得到支撑中间特征向量；[0082]将源特征提取器提取的支撑中间特征向量输入特征融合器中，得到特征向量；[0083]基于查询中间特征向量、支撑中间特征向量和特征向量，构建模型损失函数；[0084]对模型损失函数进行迭代训练，得到最优化的识别模型。[0085]基于查询中间特征向量、支撑中间特征向量和特征向量，构建损失函数，具体为：[0086]模型损失函数包括：监督损失函数、去相关损失函数和相关损失函数；[0087]具体地，采集自不同设备的生物特征数据具有标签，因此可以首先采用监督损失函数对识别模型进行训练。[0088]假设有m个采集设备采集用户的脸部数据，每个采集设备拍摄一定数量的图片，即采集设备1共拍摄10张不同用户的脸部照片，采集设备2继续拍摄在采集设备1拍摄过的所有用户的10张脸部照片，依次类推，直到所有的采集设备拍摄完毕。[0089]假设有k个特征提取器，同时随机将一个特征提取器作为目标特征提取器，剩余的特征提取器作为源特征提取器；假设将特征提取器1作为目标特征提取器，剩下的k-1个特征提取器为源特征提取器。[0090]假设将采集设备1采集到的10张照片作为元查询集，剩下的采集设备所采集到的照片作为元支撑集，将元查询集输入至特征提取器1进行特征转换，得到10个查询中间特征向量；[0091]元支撑集输入至源特征提取器进行特征转换，得到源特征提取器提取的支撑中间特征向量；[0092]特征提取器1得到的10个查询中间特征向量之间两两进行比较，得到特征提取器1的监督损失函数；[0093]特征提取器2为源特征提取器，将采集设备2～m采集的10×(m-1)张图片输入至特征提取器2中进行特征转换，得到相对应的10×(m-1)个支撑中间特征向量；将特征提取器2转换得到的10×(m-1)个支撑中间特征向量之间进行两两比较，得到特征特征提取器2的监督损失函数；[0094]特征提取器3为源特征提取器，将采集设备2～m采集的10×(m-1)张图片输入至特征提取器3中进行特征转换，得到相对应的10×(m-1)个支撑中间特征向量；将特征提取器3转换得到的10×(m-1)个支撑中间特征向量之间进行两两比较，得到特征特征提取器3的监督损失函数；[0095]依次进行转换，直到得到所有的特征提取器的监督损失函数，并进行累加，得到最终的监督损失函数。[0096][0097]其中，当k取1的时候，代表特征提取器1的监督损失函数；当k取2的时候，代表特征提取器2的监督损失函数；直到k的取值为k，得到特征提取器k的监督损失函数；将所有的特征提取器的监督损失函数进行累加，得到最终的监督损失函数。[0098]||fk(xa)-fk(xb)||为生物特征数据样本xa和xb间的距离；fk(·)表示第k个特征提取器，fk(xa)和fk(xb)分别为fk(·)提取的样本xa和xb的查询中间特征向量或支撑中间特征向量，t为一个阈值，sab表示生物特征数据样本xa和xb的类别关系，当它们属于同一个类别时，sab＝0，否则sab＝1。特征提取器的主网络可以采用公开的网络结构，如vgg 16和resnet 18网络等。[0099]识别模型的核心在于要求其对不同的设备和环境具有较强的泛化能力，这要求不同的特征提取器具有较低的相关性，从而为识别模型提供更多互补性的有用信息，基于这个目标，设置特征提取器提取的特征间的去相关损失函数，用于降低不同特征提取器间的相关性。[0100]10×(m-1)张图片经特征提取器2提取的10×(m-1)个支撑中间特征向量；10×(m-1)张图片经特征提取器3提取的10×(m-1)个支撑中间特征向量；依次转换，10×(m-1)张图片经特征提取器k提取的10×(m-1)个支撑中间特征向量；每张图片对应特征提取器2、特征提取器3、直至特征提取器k分别有一个支撑中间特征向量，共有k-1个支撑中间特征向量，每张图片对应的k-1个支撑中间特征向量两两进行比较，最后进行累加，得到一张图片的去相关损失函数；将所有的图片对应的支撑中间特征向量两两进行比较，最后进行累加，得到最终的去相关损失函数。[0101]具体地，去相关损失函数由不同的源特征提取器提取的支撑中间特征向量计算得到，表达式为：[0102][0103]其中，n表示支撑集中生物特征数据样本的数量，xn表示一个生物特征数据样本，k表示特征提取器的数量，⊙表示元素积；fk(xn)表示第k个特征提取器所得到的支撑中间特征向量；[0104]进一步地，基于特征融合器ffusion(·)，通过深度神经网络将元支撑集的支撑中间特征向量融合为一个特征向量，并将元查询集的查询中间特征向量与该特征向量进行匹配，计算它们之间的相关损失函数，对特征融合器进行训练。相关损失函数，表达式为：[0105][0106]其中，lbce(·)表示二元交叉熵损失函数，r(·)是关系度量函数，表示为[0107][0108]其中，v+表示一批数据中与v距离最远的同类特征向量，v-表示一批数据中与v距离最近的异类特征向量；vn表示支撑中间特征向量经过特征融合器融合的特征向量，表示为：[0109]vn＝ffusion(f2(xn),f3(xn),...,fk(xn))ꢀꢀꢀ(5)[0110]其中ffusion(·)表示特征融合器；[0111]所述模型损失函数为：[0112]l＝l1+l2+l3ꢀꢀꢀ(6)[0113]基于模型损失函数不断迭代训练不同的特征提取器和特征融合器，直到损失函数l小于设定的阈值，得到识别模型。[0114]最后，将用户的生物特征输入最优化的识别模型的多种源特征提取器，并将其输出进一步输入特征融合器，得到特征向量，最后将其作为用户的生物特征信息。[0115]s102，比对用户的生物特征信息是否与数据库中生物特征信息相同；若不相同，执行注册程序；若相同，完成付款；[0116]注册程序具体为：采集用户的个人生物特征，并对用户的个人生物特征进行特征提取，获取用户的生物特征信息；基于用户的生物特征信息与数字人民币账户进行绑定，完成用户注册，并将用户的生物特征信息存储至数据库中。[0117]比对的具体方法为：计算该用户的生物特征信息与数据库中所有注册账户的生物特征信息之间的相似度，并将其中和该用户生物特征信息相似度最大的注册账户作为待确认账户，进一步比较该相似度与相似度阈值的关系，判断是否比对成功，具体地，如果该用户的生物特征信息与待确认账户生物特征信息的相似度大于相似度阈值，证明比对成功，然后从该账户中扣款，完成支付，否则则认为比对失败，从而支付失败。所述相似度阈值为人为设定。[0118]s103，更新数据库中用户注册的生物特征信息。[0119]更新数据库中用户注册的生物特征信息，具体为：将比对成功的生物特征信息与数据库中注册的生物特征信息平均化，作为最新的注册生物特征信息。[0120]参见图3，本发明公布了一种数字人民币生物支付系统，其特征在于，包括：[0121]特征转换模块，所述特征转换模块用于采集用户的个人生物特征，并对用户的个人生物特征进行特征转换，获取用户的生物特征信息；[0122]比对模块，所述比对模块用于比对用户的生物特征信息是否与数据库中生物特征信息相同；若不相同，执行注册程序；若相同，完成付款；[0123]更新模块，所述更新模块用于更新数据库中用户注册的生物特征信息。[0124]参见图4，本发明公布了一种特征转换模块，包括：[0125]采集模块，所述采集模块基于若干种采集设备采集用户的生物特征数据；[0126]区分模块，所述区分模块随机将一个特征提取器作为目标特征提取器，剩余的特征提取器作为源特征提取器；[0127]第一获取模块，所述第一获取模块用于将用户的生物特征数据划分为元查询集和元支撑集，将元查询集输入至目标特征提取器进行特征转换，得到查询中间特征向量，将元支撑集中的每个生物特征数据输入所有的源特征提取器中进行特征转换，得到支撑中间特征向量；[0128]第二获取模块，所述第二获取模块用于将源特征提取器提取的支撑中间特征向量输入特征融合器中，得到特征向量；[0129]构建模块，所述构建模块基于查询中间特征向量、支撑中间特征向量和特征向量，构建模型损失函数；[0130]迭代模块，所述迭代模块用于对模型损失函数进行迭代训练，得到最优化的识别模型。[0131]本发明一实施例提供的终端设备。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。[0132]所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。[0133]所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。[0134]所述处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。[0135]所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。[0136]所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。[0137]以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!